La implementación de los sistemas basados en conocimiento en la clasificación de imágenes requiere la combinación de técnicas de procesado de imágenes y herramientas de análisis SIG con algoritmos automáticos de adquisición de conocimiento (Tullis, 2003). Los SIG pueden tener un papel importante en la clasificación de imágenes basada en conocimiento, ya que contienen información auxiliar útil para la clasificación y son adecuados para la gestión de información espacial en distintos formatos. Independientemente de las diversas tipologías de datos que son capaces de tratar, existen múltiples variaciones en la forma de aplicar estos sistemas. Las dos maneras más habituales de aplicar los sistemas expertos en la clasificación de usos del suelo son: clasificación de una imagen incorporando en el proceso datos auxiliares o reclasificación de una clasificación existente considerando la información auxiliar. Huang y Jensen(1997) comparan sobre un mismo conjunto de datos, formado por imágenes y datos temáticos, los resultados de tres clasificaciones realizadas mediante un sistema experto basado en conocimiento, ISODATA y Máxima Probabilidad. Los mejores resultados corresponden al sistema experto con incrementos de fiabilidad global del 13% y del 9% respecto a los otros métodos. Cohen y Shoshany (2000) utilizan el conocimiento experto para mejorar una clasificación no supervisada de cultivos en Israel. Para ello, añaden información auxiliar como son los mapas de tipos de suelo y de pluviometría. Del análisis de las características de una serie de muestras, deducen reglas basadas en la información auxiliar con las que reclasifican las imágenes aumentando las precisiones obtenidas. Li et al. (2000) perfeccionan una clasificación de Máxima Probabilidad mediante la utilización de reglas. En la creación de reglas utilizan como atributos la elevación, la posición y los valores de probabilidad obtenidos en la clasificación de Máxima Probabilidad; combinando así los dos métodos de clasificación. De esta forma, consiguen aumentar la fiabilidad de las clases más similares espectralmente. La construcción de un sistema experto basado en conocimiento está siempre condicionada a la adquisición del conocimiento necesario. Esto es, a la definición de una serie de reglas que permitan clasificar el conjunto de objetos en sus correspondientes clases informacionales. Un experto puede disponer de conocimiento útil para el sistema que deberá ser expresado en forma de reglas o condiciones aplicables por el sistema. No obstante, este conocimiento del experto será limitado y deberá ampliarse para conseguir el objetivo propuesto. Por ejemplo, en un estudio agrícola, puede conocerse que un determinado cultivo esté limitado a un determinado rango altitudinal o de temperaturas, pero será complicado conocer las diferencias espectrales a priori entre los cultivos en una imagen. La representación del conocimiento se hace habitualmente por medio de reglas, que pueden constar de una o varias condiciones unidas por medio de operadores lógicos: SI se cumple una condición ENTONCES ocurre una acción. Estos métodos de clasificación tienen la ventaja de que una vez creada una base de conocimiento, ésta puede ser aplicada a nuevos datos o lugares sin re-entrenamiento. Por tanto, los resultados obtenidos serán fiables y repetibles. Además, el resultado de una clasificación es justificable, ya que de forma sencilla se puede averiguar las reglas que un objeto ha cumplido para ser asignado a una clase. La falta de conocimiento sobre las características de los objetos a clasificar conduce al problema fundamental de implantación de los sistemas expertos: la adquisición del conocimiento, citado en la bibliografía como “knowledge adquisition bottleneck”. Por esto, el principal inconveniente de esta metodología es el establecimiento de las relaciones mediante reglas. Según Hodgson et al. (2003) la creación de reglas se aborda de tres formas distintas: 1º.- obtener las reglas y el conocimiento sobre el medio a clasificar de expertos en los ámbitos implicados: forestal, agrícola, urbano, etc. 2º.- extraer reglas y variables usando métodos cognoscitivos que analicen la forma que emplean las personas de procesar la imagen para su interpretación. 3º.- generar reglas empíricamente a partir de los datos observados y métodos inductivos automáticos. La extracción de conocimiento en bases de datos se define como el proceso no trivial de identificar patrones válidos, novedosos, potencialmente útiles y comprensibles a partir de los datos. Las fases que componen un proceso de extracción de conocimiento en bases de datos serían: (Hernández Orallo et al., 2004) 1. Integración y recopilación de los datos iniciales. 2. Selección, limpieza y transformación de los datos. 3. Minería de datos 4. Evaluación e interpretación de resultados 5. Difusión y uso del conocimiento extraído En ocasiones se utiliza erróneamente el término minería de datos (data mining) para referirse a todo el proceso completo. La minería de datos consiste en analizar los datos para extraer el conocimiento implícito en esos datos y expresarlo en forma de relaciones, patrones, reglas, etc. Es un campo multidisciplinar que utiliza herramientas desarrolladas en otras tecnologías con las que está íntimamente relacionada, como por ejemplo, la estadística, el aprendizaje automático, los sistemas gestores de bases de datos, etc. El aprendizaje automático es una rama de la inteligencia artificial que se ocupa de desarrollar programas y algoritmos capaces de aprender un modelo a partir de ejemplos y lo aplica para resolver un problema (Hernández Orallo et al., 2004). Permite adquirir conocimiento al sistema, utilizando técnicas inductivas o deductivas sobre un conjunto de datos de entrenamiento. Consiste en analizar una serie de ejemplos del concepto que se pretende aprender y a partir de ese análisis se construye, o induce, una definición que sirva para describir el concepto en cuestión. Esta definición pasa a formar parte de la base de conocimiento del sistema y se utiliza para clasificar nuevas instancias. Los ejemplos se representan mediante vectores de valores de los atributos. Los valores de los atributos o características pueden ser tanto valores numéricos como categóricos. Para los ejemplos se debe aportar también la clase a la que pertenecen. Del resto de elementos a clasificar con el modelo aprendido también es necesario disponer de los valores de los atributos. El resultado de este aprendizaje es un modelo que asigna la clase correspondiente a cada elemento por medio del análisis de los valores de los atributos. La aplicación de esta disciplina en la clasificación de imágenes es muy prometedora, ya que permite generar sistemas de clasificación basados en reglas en aquellos casos donde el conocimiento disponible sobre las clases sea insuficiente. Estos métodos usan datos de entrenamiento y algoritmos de aprendizaje automático para desarrollar una serie de reglas que definan cada clase, al mismo tiempo que no tienen limitaciones sobre la tipología de información auxiliar incorporada en el proceso de clasificación de imágenes. Por otra parte, la inclusión de información proveniente de los SIG permite descubrir relaciones no evidentes entre las clases y los atributos contenidos en los SIG que faciliten la clasificación de las imágenes. Entre las ventajas que tiene la utilización de los métodos de aprendizaje inductivo para construir una base de conocimiento cabe destacar que sólo se necesita un conjunto de buenos ejemplos que funcionen como datos de entrenamiento. Esto es, en la mayoría de los casos, más sencillo de conseguir que la extracción de teorías generales que se cumplan para todos los datos a partir de la información que posea un experto. Otras ventajas que afianzan la adecuación de estos métodos frente a otras alternativas de clasificación son: - La utilización de datos auxiliares, para mejorar la discriminación entre clases, reduce el número de muestras de entren